| |
墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
6k累计阅读
6.1k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年,写一次发全网
我也要 →
码龄5年
| |
基于RTL8367S与XS2184的工业级POE交换机硬件设计全解析
本文深入解析基于RTL8367S与XS2184芯片的工业级POE交换机硬件设计,涵盖核心价值、芯片选型、原理图设计、PCB布局及可靠性验证等关键环节。重点探讨双芯片协同工作优势,如RTL8367S的自适应调度算法和XS2184的智能功率分配功能,为工业环境下的稳定供电与数据传输提供专业解决方案。
工业IoT告警根因定位:DolphinDB时间聚类+拓扑传播两板斧
告警风暴里根因被噪声淹没,给出DolphinDB上的定位方案:时间聚类压缩告警成事件,设备拓扑多跳传播回溯上游根因,配合参数标定与排错表直接落地。
Abaqus 单元与全局刚度矩阵导出实战指南:从INP修改到结果解析
本文提供了Abaqus中导出单元刚度矩阵和全局刚度矩阵的完整实战指南。通过详细步骤讲解INP文件修改、关键指令插入及结果文件解析,帮助工程师、研究人员和二次开发者深入理解有限元软件内核,实现理论验证、二次开发与深度问题调试。
注塑机数据采集网关 ZK-D1/D3:读取控制器哪些数据对接 MES/IoT 平台
ZK-D1/D3数据采集网关可统一接入多品牌注塑机,采集设备状态、生产计数、工艺参数、报警及能耗等核心数据,通过MQTT/HTTP等协议标准化上传至MES/IoT平台。实现“一次接入、统一建模”,支撑OEE分析、产量看板、质量追溯与故障闭环管理。关键在于规范数据映射、合理设置采集频率、保障时间同步与安全传输,最终将设备数据转化为生产效率与质量管理价值。
madgwick算法基于MPU9250姿态融合漂移问题的原因
基于MPU9250的madgwick算法姿态漂移问题原因 0、声明 因为这个是现象是不是共性目前本人还没研究过,只是在个体问题研究的基础上得出的结论,或许我买到的MPU9250是一个盗版:),所以只具备参考性。 1、现象 使用MPU9250的加速度计、角速度计、磁力计(AK8963)原始数据输入到madgwick算法中,得到的姿态最终会在停止姿态变化后仍然漂移一小段时间。其中加速度计和角速度计读取速率为400hz,磁力计为100hz,加速度计采样范围±2g,角速度计采样范...
恶意代码实验3:Word宏病毒实验
只要下次打开这个word文档,就会执行以上代码,并将自身复制到Normal.dot(word文档的公共模板)和当前文档的ThisDocument中,同时改变函数名(模板中为Document_Close,当前文档为Document_Open),此时所有的word文档打开和关闭时,都将运行以上的病毒代码,可以加入适当的恶意代码,影响word的正常使用,本例中只是简单的跳出一个提示框。回答不正确三次,即可自动跳出病毒程序,但那时已经出现几十个文档。1、打开的宏编辑器如图所示,即可编写病毒代码。
注塑机智能数据采集网关 ZK-D1/D3:如何把工艺参数与 SPC 监测数据送到 MES 和 IoT 平台
注塑车间设备型号杂、通信协议不一,ZK-D1/D3智能采集网关作为“协议翻译+数据建模+边缘计算”中间件,实现多机型兼容与数据标准化。通过控制器接口、IO信号及辅助设备数据融合,按模次组织工艺参数,生成含质量标记的SPC数据,支持断网缓存与补传。数据以统一模型对接MES与IoT平台,助力良率分析与过程优化。实施关键:摸清接口、统一字典、保障断网可靠性。
移远EC800M CAT1模块HTTP POST实战:从AT指令到数据上报的完整避坑指南
本文详细介绍了移远EC800M CAT1模块通过AT指令实现HTTP POST数据上报的完整开发流程,包括模块初始化、PDP上下文配置、HTTP POST实现及优化策略。针对实际开发中的常见问题如网络异常、低功耗需求等提供了经过验证的解决方案,帮助开发者快速实现稳定可靠的物联网数据传输功能。
electronica 2026|SC236亮相,面向AIoT终端的新一代智能模组
该产品基于高通跃龙™ Q-2390处理器打造,融合计算、多媒体处理与无线连接能力,为AIoT终端提供从连接、计算到应用承载的一体化能力,助力客户打造面向未来的智能设备。面向无线智能支付终端、工业手持设备、执法仪、行车记录仪等行业设备,SC236融合计算、多媒体与无线连接能力,为终端提供更丰富的交互体验和智能化应用能力。相比传统连接型模组,SC236进一步增强设备本地处理能力,使终端能够承载更多智能应用功能,推动行业设备从“连接”向“智能”演进。
从底层结构开始学习FPGA(7)----进位链CARRY4
进位链CARRY4在FPGA实现加减法运算时扮演了什么角色?
Multisim14.0仿真应用设计(十六)74LS138译码器应用仿真
74LS138为3线-8线译码器。
注塑机数据采集网关 ZK-D1/D3 困局解析:如何实现与 MES/IoT 平台的实时数据对接
注塑车间数字化困局源于设备异构导致的数据采集难题。中科晟达ZK-D1/D3网关虽具备多协议适配与边缘采集能力,但常遇“采得到却采不准”“与MES对不上”“实时性与稳定性难兼顾”等挑战。核心问题在于点位映射错误、状态判定单一、数据模型错位及断网丢数。破解之道需构建四层架构:通过协议模板库与远程配置降低实施成本;以多信号组合+状态机实现精准状态判定;在网关侧下沉计算逻辑,完成数据预聚合与清洗;采用分级传输、消息幂等、本地缓存与统一时间同步,确保数据可信、实时、可消费。最终实现从“设备语义”到“业务语义”的高效转
基于YOLO-world训练模型的完整教程:从数据准备到微调训练
本文提供了YOLO-world模型训练的完整教程,涵盖从环境配置到微调训练的全流程。首先介绍了YOLO-world项目的安装与配置步骤,包括依赖安装和CUDA环境设置;接着详细说明了数据集的准备方法,包括COCO格式数据集的组织结构和自定义数据集的类别定义;然后阐述了配置文件的修改要点,包括超参数调整和数据集路径设置;最后讲解了训练命令的使用方法及常见问题的解决方案。本教程旨在帮助读者快速掌握YOLO-world模型的训练技能,适用于计算机视觉领域的研究人员和开发者。
设备iot--[McgsIot]报警处理
设备iot--[McgsIot]报警处理
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!
灌溉物联网卡怎么选?先分清设备是报数还是听话
11 月 1 日,台山都斛“广东第一田”晚造开镰,按管水规程,收割前 7 天要把田水排干。以前人扛锄头下田扒口子,现在手机点一下。阀门是执行器,卡配错就是该灌没灌、该停没停。结论先给:农田灌溉物联网卡制式选 4G 不选 NB-IoT;信号在孕穗期测;形态选工业级插拔卡、窗口定在换季;流量套餐看第 4 年谁续;管理看阀门开度,不看“在线”。智慧农田联网省下的人力,都在这五条上。
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。
锅炉房已经有PLC,还需要IoT吗?从安全控制到全局能效的智能化升级
无论是工业蒸汽锅炉房,还是酒店、医院等商业热水场景,改造都可以从现有条件出发:先梳理控制系统、仪表和通信情况,再明确安全边界与数据需求;盈电物联网的云边协同思路,是在尽量保留原有控制与仪表设备的基础上,通过IOT控制器补齐数据接入和边缘处理能力,再与云端平台协同,逐步建立运行、能耗与运维之间的数据闭环。锅炉房智能化,不是用IoT取代PLC,也不是简单增加一块远程大屏,而是在保障安全控制独立可靠的基础上,让分散的数据真正服务于运行管理。将告警、排查、处理、复核和维修记录串联起来,形成可追溯的设备档案。
注塑机智能数据采集网关 ZK-D1/D3 对接 MES/IoT/ERP 平台数据展示实践
ZK-D1/D3注塑机数据采集网关支持多品牌设备接入,实现运行状态、工艺参数、生产计数等数据的实时采集与标准化上报。通过MQTT、HTTP、OPCUA等协议对接MES、IoT、ERP平台,采用“边缘采集—网关汇聚—平台展示”架构,统一数据模型映射,实现设备透明化管理与生产数据闭环。实施中需注重网络规划、时间同步、断点续传与安全防护,助力工厂实现生产可追溯、决策数据化。
注塑机数据采集网关 ZK-D1/D3 如何与 MES/IOT 平台对接并展示数据
本文系统阐述注塑车间数据采集难题及ZK-D1/D3网关解决方案,聚焦设备异构协议统一、数据建模规范与四层链路对接。通过明确设备唯一标识、统一命名规则与上行协议选择,实现多品牌注塑机数据标准化采集与传输。结合MQTT/HTTP/OPCUA多协议支持,构建从设备层到MES/IOT平台的完整链路,支撑实时看板、历史趋势、OEE分析与报警管理。强调前期标准化与端到端验证的重要性,确保数据可靠落地,赋能智能制造。
OBIS 平台|为 IoT 设备构建贯穿全生命周期的统一信任链
OnBoard™ IoT Security (OBIS) 将固件、软件物料清单 (SBOM)、加密资产和生产记录统一纳入运营信任架构 —— 覆盖从 CI/CD 到工厂设备安全烧录再到 OTA 操作的完整流程。✓ 统一管理密钥、证书、固件、SBOM 与设备身份,构建单一产品信任记录✓ 集中授权 + 设备侧执行,密钥始终不离开硬件安全边界✓ 覆盖 CI/CD 签名、工厂烧录到 OTA 的全链路可信追溯✓ 支持基于运营视图快速定位漏洞影响范围与设备资产。
IIOT数据中台是什么?有什么应用场景?
它本质上是一种集成了多源异构数据采集、边缘预处理与统一数据服务能力的工业数据平台,能够将 PLC、CNC、工业机器人、传感器、能源仪表等设备产生的实时数据,以及 ERP、MES、WMS 等系统的业务数据,统一汇聚、治理、建模后,以标准 API 或数据服务形式供上层应用调用,让工业互联网平台回归分析决策与业务创新的核心职能。针对电表、水表、气表等能源仪表数据,数据中台统一采集并标准化电、水、气、汽等能耗口径,按产线、工序、班组等维度进行分项计量与统计分析。OEE 分析与效率优化。设备互联与产线透明化。
银行、电力、医疗和物联网行业证书
银行、电力、医疗和物联网行业证书
定位数据怎么推给 IoT 平台?消息协议选型与接入准备
园区定位数据推送方式应基于消费方数量、实时性、数据量级与网络条件选择:多系统、高频小数据量且弱网络场景推荐消息中间件(发布订阅);单系统、内网环境可选接口回调或定时拉取。需合理设计主题结构,保障数据一致性与幂等性,提前规划鉴权、监控与异常处理机制。建议先小范围验证端到端性能,再逐步扩展,具体协议与规范以项目交付文档为准。
中科晟达注塑机数据采集网关 ZK-D1/D3:如何读取各品牌注塑机系统数据并对接 MES/IoT 平台
注塑车间数字化改造核心挑战在于多品牌、多协议设备的数据采集。中科晟达ZK-D1/D3网关通过边缘计算,兼容海天、发那科等主流机型及私有协议,支持EUROMAP63/77、Modbus、OPCUA等标准,实现南向多协议解析与北向标准化上行(MQTT/OPCUA/HTTP)。结合统一点位模型设计与断网续传机制,助力MES高效对接。部署中需重点确认通信权限、合理配置轮询周期、保障时间同步与数据去重,可有效解决“采不到数”“数据不准”等痛点,为OEE分析、工艺追溯与智能运维提供可靠数据底座。
填完一张场景表单,SagooIoT 在后台生成一条规则链
链上的functions节点最终要调到一个 Go 函数。msg进、msg出。业务参数从反序列化,执行结果通过交回链上,同时塞进执行日志(下一节讲)。设置属性把界面上的属性数组摊平成一个 map,交给。下行指令走的是平台既有的属性设置通道,和 REST 接口下发的指令是同一条路——场景不是旁路,它用的是同一套下行能力。获取属性按属性列表逐个调,把结果收集成 map。这样"先读当前状态、再决定动作"也能在一个动作里完成。功能调用把和parameter交给,也就是物模型里的"服务调用"。发送通知。
什么是水面蒸发监测站?基于 4G 物联网水面蒸发传感器野外部署方案详解
水面蒸发量是水文水资源监测里重要的观测要素,传统人工观测方式已经难以满足现代化水文信息化建设需求。基于 4G 物联网的水面蒸发监测站,通过标准化水面蒸发传感器、低功耗采集终端、太阳能供电体系,实现蒸发量自动连续观测。 野外站点的选址、调平、防雷、定期维护,是保证蒸发数据准确可靠的关键。这套方案目前已经广泛应用于水库、灌区、水土保持、生态湿地等水文监测项目,是水资源自动化监测体系中非常实用的观测方案
注塑机网关数据采集器 ZK-D1/D3 如何采集注塑机工艺参数并打通 SPC 与 MES/IOT/ERP 平台
本文介绍注塑机网关ZK-D1/D3在实际场景中的应用,通过兼容多品牌控制器接口,实现工艺参数的标准化采集与解析,结合事件触发采集和断网续传机制,将数据转化为可用于SPC分析的结构化信息,并通过MQTT/HTTP等协议对接MES、IOT、ERP平台,支撑质量监控、生产管理与业务闭环。关键在于统一参数命名、确保数据连续性与可追溯性,最终实现从“数据孤岛”到“质量资产”的转变。
物联网大屏怎么搭:9 张真实模板逐屏拆解——设备台账、管网工艺、告警闭环各就各位
物联网大屏最容易做成图标大杂烩:设备不台账化、场景不空间化、告警没闭环。这篇用 9 块真实模板拆解四类物联屏,每屏给谁看、看什么、难点在哪,收拢成三要素规律和选型清单。
198
116
289

被折叠的 条评论
为什么被折叠?



